Alphabet Q3 2026: Google 사내 AI 코딩과 고객사 에이전트·데이터 기반 사례
Alphabet 3분기 콜에서 Pichai는 Chrome·Ads·Search 팀이 Gemini 4 Argon으로 코드를 써 출하 코드는 약 35% 늘고 오류는 약 30% 줄었다고 밝혔습니다. Kurian은 Tata Steel의 전문 에이전트 300개 이상, BNP Paribas의 6.5만 명 배포, Deutsche Telekom·Etsy의 데이터 통합을 소개했습니다. 측정 지표, 에이전트 관리, 12주 계획을 붙였습니다.
이번 콜에서 기업의 AI 활용은 세 갈래로 보입니다. Google은 사내 코딩에서 양과 오류를 한 쌍으로 재 성과를 보여 줬습니다. 고객사는 업무별 전문 에이전트를 수백 개 단위로 늘렸습니다. 그 밑에는 데이터 정의와 통합 저장소를 깔았습니다. 따라 하려면 먼저 측정 지표, 에이전트 관리 대장, 데이터 정의를 갖춰야 합니다.
요약
Alphabet은 2026년 10월 28일 3분기 실적 콜을 열었습니다. 숫자 발표 사이에 Sundar Pichai(Alphabet CEO)와 Thomas Kurian(Google Cloud CEO)은 AI로 일하는 방식을 여럿 소개했습니다. 첫째는 Google 자신의 이야기입니다. Chrome, Ads, Search 개발팀이 최근 몇 주 동안 Gemini 4 Argon(Google의 최신 모델)으로 코드를 쓰고 다듬었습니다. 그 결과 출하한 코드는 약 35% 늘었고 오류는 약 30% 줄었습니다. Pichai는 품질 좋은 코드 check-in(저장소에 변경을 올리는 일) 비율이 오르고 rollback(배포한 변경을 되돌리는 일)이 줄었다고 덧붙였습니다. 지금은 한 단계 높은 Gemini 4 Carbon을 사내에 배포하고 있습니다.
둘째는 고객사 이야기입니다. Kurian에 따르면 지난 12개월 동안 Gemini Enterprise에서 토큰을 1,000억 개 이상 쓴 고객이 2,600곳을 넘었습니다. Tata Steel은 9개월 만에 전문 AI 에이전트 300개 이상을 만들어 제조 안전, 공급망, 고객 서비스에 썼습니다. 고객 서비스 시간은 50% 줄었습니다. BNP Paribas는 보안과 데이터 거버넌스를 갖춘 채 직원 6만 5천 명 이상에게 Gemini Enterprise를 배포했습니다. Deutsche Telekom과 Etsy는 에이전트보다 데이터 쪽부터 손봤습니다. 흩어진 시스템을 하나의 lakehouse(여러 데이터를 한곳에서 조회하는 저장 구조)로 모은 것입니다. 아래에서는 이 사례를 네 가지 작동 원리로 나누어 봅니다. 이어서 실제로 돌릴 때 필요한 지표와 일정을 덧붙입니다.
핵심 메커니즘
Output and Quality Together: 출하량과 오류를 한 쌍으로 잰다
AI 코딩의 효과를 “얼마나 썼나”가 아니라 “얼마나 내보냈고 얼마나 덜 틀렸나”로 잽니다. 입력은 팀의 코드 변경 이력입니다. 처리 단계에서는 AI를 쓴 기간과 이전 기간의 출하량, 오류, check-in 품질, rollback을 비교합니다. 출력은 두 숫자 한 쌍입니다. Google은 출하 코드 약 35% 증가와 오류 약 30% 감소를 나란히 내놓았습니다. 양만 늘었다면 검토 부담과 결함이 뒤따랐다고 의심받았을 것입니다. 오류가 함께 줄었기에 Pichai는 이를 소프트웨어 엔지니어링에서 손꼽히는 사내 생산성 수단이라고 불렀습니다.
이 방식은 코드 변경 이력과 결함 기록이 남는 조직이면 어디서든 씁니다. 반대로 사용 횟수나 생성 줄 수만 집계하면 효과를 증명하지 못합니다. Pichai는 Carbon을 더 많은 직원에게 열고 연산 자원을 늘리면 효과가 더 커질 것으로 봤습니다. 작은 예시를 들어 보겠습니다(가상 예시). 국내 커머스 회사가 결제팀 한 곳에서 AI 코딩 도구를 4주 써 보고 머지된 변경 수, 배포 후 되돌림, 운영 장애 건수를 직전 4주와 비교하면 같은 형식의 한 쌍을 만들 수 있습니다.
Highest-Bar-First Rollout: 기준이 가장 높은 사용자에게 먼저 낸다
새 모델과 에이전트를 아무에게나 넓히지 않습니다. 요구가 가장 까다로운 사용자부터 냅니다. 이렇게 하면 보안·통제 기준을 처음부터 그 수준에 맞추게 됩니다. Pichai는 Gemini agent를 소비자보다 기업에 먼저 낸 이유로 보안, 거버넌스, 통제에 대한 기업의 기준이 가장 높다는 점을 들었습니다. 소비자판은 그 뒤에 나옵니다. Carbon도 처음에는 신뢰받는 사이버 방어 인력 일부에게만 열었습니다. 미국 정부도 시험 중입니다.
고객 쪽에서 같은 원리를 보여 준 곳이 BNP Paribas입니다. 엔터프라이즈 수준의 보안과 데이터 거버넌스를 먼저 갖추고 직원 6만 5천 명 이상에게 넓혔습니다. 이 원리는 규제 산업이나 민감 데이터를 다루는 부서에 특히 맞습니다. 실험 단계의 사내 도구처럼 빨리 써 보고 버릴 대상에는 과합니다.
Specialist Agent Portfolio: 한 플랫폼 위에 전문 에이전트를 여럿 올린다
에이전트 하나로 모든 일을 하려 하지 않습니다. 업무마다 좁은 일을 맡은 전문 에이전트를 많이 만듭니다. 이 에이전트들은 공통 플랫폼 하나에 올립니다. Kurian이 설명한 Gemini agent는 조사와 답변, 코드 작성과 실행, 프로세스 자동화를 에이전트 하나, API 하나, 프롬프트 창 하나로 처리합니다. 보안과 비용 통제를 갖췄고 frontier model(가장 앞선 모델)을 골라 쓸 수 있습니다.
Tata Steel은 이 구조로 9개월 동안 전문 에이전트 300개 이상을 만들었습니다. 대상은 제조 안전, 공급망 최적화, 고객 서비스였습니다. 고객 서비스 시간은 50% 줄었습니다. 업무 종류가 많고 현장마다 규칙이 다른 제조·유통 기업에 맞는 방식입니다. 업무가 한두 가지뿐이라면 에이전트 수를 늘리기보다 하나를 깊게 다듬는 편이 낫습니다.
Knowledge Catalog First: 모델에 데이터 정의를 먼저 찾게 한다
모델이 답을 만들기 전에, 어느 데이터 소스를 봐야 하고 그 지표가 무슨 뜻인지부터 찾게 합니다. Kurian에 따르면 Gemini는 Knowledge Catalog(데이터 소스와 정의를 모은 카탈로그)에서 맞는 소스와 정의를 찾습니다. 그 결과 정확도가 오르고 토큰 비용이 내려갑니다. 정의를 찾았으면 Lakehouse로 여러 시스템의 정보를 복사하지 않고 읽습니다.
Deutsche Telekom은 40개가 넘는 레거시 온프레미스 시스템을 하나의 데이터 lakehouse로 묶고 있습니다. 여기에 BigQuery, Cloud Storage, Knowledge Catalog를 씁니다. Etsy는 3PB를 BigQuery와 Iceberg(개방형 테이블 형식) 기반 lakehouse로 옮겼습니다. 핵심 데이터 조인은 최대 60% 빨라졌습니다. 같은 지표를 부서마다 다르게 계산하는 조직일수록 이 순서가 중요합니다. 정의가 이미 하나로 정리된 소규모 데이터라면 카탈로그부터 만들 필요는 없습니다.
통념과 다른 주장
흔히 이렇게 봅니다AI가 코드를 많이 쓰게 하면 검토할 양과 버그도 함께 늘어, 속도와 품질을 맞바꾸게 된다.
Pichai는 이렇게 봅니다AI 코딩은 양을 늘리면서 품질도 올리는 사내 생산성 수단입니다. 소프트웨어 엔지니어링에서 손꼽히는 수단이라고 했습니다.
근거Chrome, Ads, Search 팀이 Gemini 4 Argon을 쓴 뒤 출하 코드는 약 35% 늘고 오류는 약 30% 줄었습니다. 품질 좋은 check-in 비율이 오르고 rollback이 줄었다는 설명도 덧붙였습니다.
흔히 이렇게 봅니다새 AI 기능은 소비자에게 먼저 내 빨리 반응을 보고 기업용은 검증이 끝난 뒤에 낸다.
Pichai는 이렇게 봅니다보안, 거버넌스, 통제 기준이 가장 높은 기업에 먼저 냅니다. 소비자판은 그다음입니다.
근거Gemini agent를 Gemini Enterprise의 일부로 먼저 냈습니다. Carbon은 신뢰받는 사이버 방어 인력 일부에게 먼저 열었습니다.
저자가 든 사례
Google 사내 개발: 출하 코드 약 35% 증가, 오류 약 30% 감소
| 구분 | 내용 |
|---|---|
| 상황 | Chrome, Ads, Search처럼 큰 코드베이스를 가진 사내 개발팀. 이전 상태의 수치는 원문에서 밝히지 않음 |
| 한 일 | 최근 몇 주 동안 Gemini 4 Argon으로 코드를 쓰고 최적화. 지금은 Gemini 4 Carbon을 사내 배포 중이며 연산 자원이 늘면 더 많은 직원에게 확대 예정 |
| 결과 | 출하 코드 약 35% 증가, 오류 약 30% 감소, 품질 좋은 check-in 비율 상승, rollback 감소. AI가 Google의 학습·출시 주기도 앞당기고 있으며 향후 12개월 더 빨라질 것으로 봄 |
| 연결 | Output and Quality Together |
Tata Steel: 9개월 동안 전문 에이전트 300개 이상
| 구분 | 내용 |
|---|---|
| 상황 | 제조 안전, 공급망, 고객 서비스에서 개선 필요 |
| 한 일 | 9개월 동안 전문 AI 에이전트 300개 이상을 만들어 배치. 에이전트별 업무 분담은 원문에서 밝히지 않음 |
| 결과 | 고객 서비스 시간 50% 단축. 안전·공급망 쪽 수치는 원문에서 밝히지 않음 |
| 연결 | Specialist Agent Portfolio |
BNP Paribas: 직원 6만 5천 명 이상에게 배포
| 구분 | 내용 |
|---|---|
| 상황 | 엄격한 보안과 데이터 거버넌스가 필요한 대형 은행 |
| 한 일 | 엔터프라이즈 수준의 보안과 데이터 거버넌스를 갖춘 Gemini Enterprise를 배포 |
| 결과 | 직원 6만 5천 명 이상이 사용. 업무별 효과 수치는 원문에서 밝히지 않음 |
| 연결 | Highest-Bar-First Rollout |
Deutsche Telekom · Etsy: 에이전트보다 데이터 기반부터
| 구분 | 내용 |
|---|---|
| 상황 | Deutsche Telekom은 40개가 넘는 레거시 온프레미스 시스템, Etsy는 3PB 규모 데이터를 보유. 이전 전 구조는 원문에서 밝히지 않음 |
| 한 일 | Deutsche Telekom은 BigQuery, Cloud Storage, Knowledge Catalog로 통합 데이터 lakehouse 구축. Etsy는 3PB를 BigQuery·Iceberg 기반 통합 lakehouse로 이전 |
| 결과 | Etsy의 핵심 데이터 조인 최대 60% 빨라짐. Deutsche Telekom의 효과 수치는 원문에서 밝히지 않음 |
| 연결 | Knowledge Catalog First |
기술 디테일: 지표, 에이전트 대장, 데이터 정의를 실제로 돌리려면
Output and Quality Together를 따라 하려면 지표 네 개를 코드 저장소와 배포 기록에서 자동으로 뽑습니다. 출하량은 머지된 변경 수, 첫 통과 품질은 리뷰 한 번에 통과한 변경 비율, rollback은 배포 후 되돌린 변경, 오류는 변경당 결함 건수로 정의합니다. 변경마다 AI 사용 여부를 남겨야 비교가 됩니다. 커밋 메시지나 PR 템플릿에 표시 필드를 하나 두는 방법이 가장 간단합니다. 비교는 같은 팀의 직전 기간 또는 같은 기간의 비사용 팀과 합니다. 아래 기록 형식은 가상 예시입니다.
{
"change_id": "PR-48213",
"team": "payments",
"ai_assisted": true,
"model": "모델명·버전 기록",
"merged_at": "2026-11-12",
"review_rounds": 1,
"rolled_back": false,
"defects_linked": 0,
"lines_changed": 214
}출하량이 늘어도 결함이 뒤로 밀리면 의미가 없습니다. 그래서 결함은 배포 뒤 2~4주까지 따라가 해당 변경에 연결합니다. 생성 줄 수는 참고로만 봅니다. 줄 수가 많다고 좋은 변경이 아니기 때문입니다. 팀마다 업무 성격이 다르니 회사 전체 평균보다 팀별 변화를 먼저 봅니다.
Specialist Agent Portfolio를 운영하려면 에이전트 대장부터 만듭니다. Tata Steel처럼 9개월에 300개를 넘기면, 누가 무엇을 만들었고 어느 데이터를 쓰며 얼마를 쓰는지 대장 없이는 알 수 없습니다. 에이전트마다 아래 필드를 등록하고(가상 예시), 등록하지 않은 에이전트는 운영 환경에 올리지 않습니다.
{
"agent_id": "safety-permit-check-07",
"business_area": "제조 안전",
"owner": "압연공장 안전팀장",
"task": "작업 허가서 누락 항목 점검",
"data_sources": ["작업허가 시스템", "설비 마스터"],
"eval_set": "허가서 200건 정답 세트",
"pass_threshold": 0.95,
"monthly_token_budget": 50000000,
"human_review": "고위험 작업은 항상 사람 승인",
"status": "pilot"
}평가는 에이전트마다 정답 세트를 두고 temperature 0으로 같은 입력을 3회 돌려 결과가 흔들리는지 봅니다. 3회 결과가 다르면 사람 검토로 보냅니다. 비용 상한은 플랫폼 쪽 통제 기능에 겁니다. 상한의 80%에 닿으면 담당자에게 알립니다. 분기마다 사용량이 낮거나 역할이 겹치는 에이전트를 묶거나 폐기합니다.
Knowledge Catalog First를 따라 하려면 자주 묻는 지표 20~30개부터 정의를 카탈로그에 올립니다. 지표마다 이름, 계산식, 원천 테이블, 책임 부서, 최종 확인 날짜를 적습니다. 에이전트의 시스템 지시에는 “답하기 전에 카탈로그에서 정의를 찾은 뒤 답에 쓴 정의와 테이블을 밝힐 것”을 넣습니다. 정의를 찾지 못하면 추측하지 말고 정의가 없다고 답하게 합니다. 그래야 틀린 숫자 대신 빈칸이 드러나고 데이터 팀이 그 빈칸을 채웁니다. 원천 데이터를 에이전트용으로 따로 복사하지 않고 lakehouse에서 바로 읽게 하면 사본끼리 숫자가 어긋나는 일을 줄입니다.
자주 막히는 경우에 대비하려면 아래 네 가지를 처음부터 점검 목록에 넣습니다(실행 제안).
| 막히는 경우 | 증상 | 대응 |
|---|---|---|
| AI 사용 표시 누락 | 사용·미사용 비교가 불가능 | PR 템플릿 필수 필드로 지정, 누락 PR은 머지 차단 |
| 에이전트 중복 | 비슷한 에이전트가 부서마다 생김 | 등록 시 같은 task·데이터 소스 검색, 겹치면 기존 것 확장 |
| 지표 정의 충돌 | 같은 이름의 지표가 부서마다 다른 값 | 카탈로그에 책임 부서 하나만 지정, 나머지는 별칭으로 연결 |
| 토큰 비용 급증 | 정의 없이 넓은 테이블을 통째로 읽음 | 카탈로그 조회를 먼저 하게 지시, 에이전트별 월 상한 설정 |
현업 실행 디테일: 누가, 언제, 무엇을
| 역할 | 담당 | 하는 일 |
|---|---|---|
| 스폰서 | CIO 또는 CDO | 세 갈래(코딩, 에이전트, 데이터) 시범 범위 승인, 12주차 확대 결정 |
| 개발 생산성 리드 | 플랫폼·DevOps 팀장 | AI 코딩 시범 팀 선정, 지표 네 개 자동 집계 |
| 에이전트 포트폴리오 관리자 | AX 추진 조직 | 에이전트 대장 운영, 평가 기준과 비용 상한 관리 |
| 업무 오너 | 공장·고객 서비스·공급망 팀장 | 에이전트 후보 업무 제안, 정답 세트 검수 |
| 데이터 오너 | 데이터 팀과 지표 책임 부서 | 지표 정의 등록, 원천 테이블 연결 |
| 보안·통제 | CISO 조직, 내부통제 | 배포 대상 순서, 데이터 접근 권한, 감사 기록 기준 확인 |
시작 전 준비물. 최근 3개월치 코드 변경과 배포·결함 기록이 먼저 필요합니다. 사내에서 이미 쓰는 AI 도구와 에이전트 목록, 부서별로 자주 묻는 지표와 현재 계산식, 보안팀이 정한 데이터 등급 기준도 모읍니다.
| 기간 | 할 일 | 산출물 |
|---|---|---|
| 1~2주 | 코딩 지표 기준선 측정, 에이전트 후보 업무 수집, 지표 정의 충돌 조사 | 기준선 리포트, 후보 목록, 정의 충돌 목록 |
| 3~6주 | 개발팀 2~3곳 AI 코딩 시범, 전문 에이전트 3~5개 시범, 지표 20~30개 카탈로그 등록 | 시범 로그, 에이전트 대장 v1, 카탈로그 v1 |
| 7~10주 | 코딩 지표 전후 비교, 에이전트 정답 세트 평가, 에이전트에 카탈로그 연결 | 비교 리포트, 평가 결과, 정의 인용 답변 샘플 |
| 11~12주 | 확대 판정, 겹치는 에이전트 정리, 다음 배포 대상 선정 | 확대 계획, 대장 v2 |
현업에 물을 것.
- 개발팀: 지금 배포 후 되돌리는 변경은 한 달에 몇 건이고, 어떤 이유가 가장 많나요?
- 업무 오너: 하루에 같은 확인 작업을 가장 많이 반복하는 일은 무엇인가요?
- 데이터 오너: 같은 이름인데 부서마다 숫자가 다른 지표는 무엇인가요?
- 보안: 첫 배포 대상으로 어느 직군까지 열 수 있나요? 어떤 데이터는 끝까지 막아야 하나요?
진행 판정 기준(예시). 코딩은 시범 팀의 출하량이 기준선보다 늘고 rollback과 변경당 결함이 기준선보다 늘지 않으면 다음 팀으로 넓힙니다. 에이전트는 정답 세트 통과율 95% 이상, 3회 반복 결과 일치, 월 비용이 상한 안이면 운영으로 올립니다. 데이터는 에이전트 답변 표본 50건 가운데 정의와 원천 테이블을 바르게 인용한 비율이 90% 이상이면 대상 지표를 늘립니다.
AX 적용 제언. 국내 기업이 이 콜에서 가져갈 순서는 측정, 데이터 정의, 에이전트 확장입니다. 먼저 사내 개발팀 한두 곳에서 양과 오류를 한 쌍으로 재 경영진에게 보여 줄 첫 증거를 만듭니다. 그다음 에이전트를 늘리기 전에 자주 묻는 지표의 정의를 카탈로그에 묶습니다. 정의 없이 에이전트를 수백 개로 늘리면 같은 질문에 다른 숫자가 나옵니다. 제조사라면 Tata Steel처럼 안전, 공급망, 고객 서비스 세 영역에서 후보를 고릅니다. 첫 배포는 BNP Paribas처럼 보안·거버넌스 요구가 가장 높은 부서와 기준을 맞추는 편이 나중의 확대를 빠르게 합니다.
원문 사례
| 항목 | 내용 |
|---|---|
| 발표 | Alphabet 2026년 3분기 실적 콜, 2026.10.28. 녹취는 Motley Fool 게재 |
| 화자 | Sundar Pichai(Alphabet CEO), Thomas Kurian(Google Cloud CEO), Philipp Schindler(CBO) |
| 사내 AI 코딩 | Chrome·Ads·Search 팀, Gemini 4 Argon, 출하 코드 약 35%↑, 오류 약 30%↓, check-in 품질↑, rollback↓, Gemini 4 Carbon 사내 배포 중 |
| 모델 채택 | Argon 첫 주 사용량 증가 속도가 Gemini 3보다 3.5배 빠름. Carbon은 신뢰받는 사이버 방어 인력에 먼저 공개, 미국 정부 시험 중 |
| Gemini Enterprise | 지난 12개월 토큰 1,000억 개 이상 쓴 고객 2,600곳 이상, Fortune 100의 약 90% 사용, 지식 업무용 좌석 1억 개 이상 판매 |
| 고객 사례 | BNP Paribas 6.5만 명 이상 배포, Tata Steel 9개월 에이전트 300개 이상·고객 서비스 시간 50%↓, Ulta Beauty AI 쇼핑 도우미 전환율 3배, Deutsche Telekom 40개 이상 레거시 시스템 통합, Etsy 3PB 이전·조인 최대 60%↑, Banorte·Jack Henry·AT&T AI 보안 플랫폼 |
| 데이터 플랫폼 | BigQuery 쿼리 속도 전년 대비 40%↑, 처리 비용 50%↓. Gemini가 Knowledge Catalog로 소스·정의를 찾고 Lakehouse로 복사 없이 조회 |
| 보안 | Gemini Flash 사이버 모델이 20개 언어에서 취약점 발견 자동화, 패치 신뢰도 2.6배 |
| 사용량·실적 | 자사 모델 API 분당 약 320억 토큰, Gemini 앱 사용자 10억 명, Cloud 매출 307억 달러(103%↑) |
핵심 개념
- Gemini Enterprise
- Google Cloud가 기업에 파는 Gemini 업무용 제품. 이번 콜에서 Gemini agent가 그 일부가 됐습니다.
- Gemini 4 Argon / Carbon
- Google의 최신 모델 두 가지. Argon은 사내 코딩에 쓰였고, Carbon은 한 단계 높은 모델로 사내와 보안 인력에 먼저 배포 중입니다.
- check-in
- 개발자가 코드 변경을 공용 저장소에 올리는 일. 품질 좋은 check-in 비율은 고칠 곳 없이 들어간 변경의 비율입니다.
- rollback
- 배포한 변경에 문제가 생겨 이전 상태로 되돌리는 일. 이 수가 줄면 출하한 코드의 품질이 올랐다는 신호입니다.
- lakehouse
- 여러 원천의 데이터를 복사본 없이 한곳에서 조회하고 분석하게 만든 저장 구조.
- Iceberg
- 대용량 테이블을 여러 엔진이 함께 읽고 쓰게 해 주는 개방형 테이블 형식.
- 토큰
- 모델이 읽고 쓰는 글자 묶음의 단위. 사용량과 비용을 셀 때 씁니다.
내 메모
TODO: 내 생각 추가
원문은 Motley Fool에 실린 「Alphabet (GOOGL) Q3 2026 Earnings Call Transcript」(2026.10.28 실적 콜)입니다. 요약, 핵심 메커니즘의 원문 예, 통념과 다른 주장, 사례, 원문 사례 표는 Sundar Pichai와 Thomas Kurian 등이 콜에서 말한 내용을 AX Review가 다시 정리했습니다. 수치와 효과는 Alphabet 경영진의 설명입니다. 기술·현업 실행 디테일, JSON 형식, 지표 정의, 일정과 판정 기준, 인포그래픽은 원문에 없는 내용으로 새로 작성했으며, 그 안의 필드명과 숫자는 가상 예시입니다. 원문 전체는 Motley Fool에서 볼 수 있습니다.